Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UNIDAD DE INVESTIGACIÓN
INFORME FINAL
AUTOR
Callao, 2022
PERÚ
ii
DEDICATORIA
iii
AGRADECIMIENTO
Daniel 2:23
iv
INDICE
V. RESULTADOS......................................................................................... 25
vii
5.2.1. Procedimiento para el modelo SIR en formato Geogebra ............ 30
5.3.2. Reporte de Infectados desde marzo 2020 hasta marzo 2021 ...... 39
CONCLUSIONES ........................................................................................... 43
RECOMENDACIONES ................................................................................... 44
REFERENCIAS BIBLIOGRÁFICAS ................................................................ 45
viii
TABLAS DE CONTENIDO
Tabla 3. Dinámica del COVID 19 con el Modelo SIR en EXCEL mayor tasa de
infección 27
ix
TABLA DE GRÁFICOS
Figura 16. Dinámica de fallecidos por día periodo marzo 2020 hasta abril 2021 39
Figura 17. Dinámica de Infectados desde marzo 2020 hasta marzo 2021-Perú 40
x
RESUMEN
xi
ABSTRAC
The research work SIR Epidemiological Mathematical Model for the dynamics of Covid
19 in the Callao region, aims to apply the SIR epidemiological model, which has
served to study the behavior of infectious diseases. to show the dynamics of
Susceptible, Infected and Recovered generated by Covid 19 in the Callao region. In
the theoretical framework we present the SIR epidemiological mathematical model,
which uses a system of non-linear differential equations. To solve the system of
equations we use the Geogebra mathematical software, which uses a numerical
algorithm to solve the system and presents us with the solution curves that allow us to
observe the dynamics of Covid 19. A simulation has also been made for a population
of 1000 inhabitants, with different values for the parameters β and γ that represent the
contagion rate and the recovery rate, respectively. These values correspond to the
data reported by the Ministry of Health for the Callao region.
The results allow us to conclude the importance of dictating government measures to
control the pandemic, so that the health system in our region does not collapse due to
the large number of infected who will require medical attention. Mandatory
confinement, social distancing, hand washing, and the responsible use of masks are
necessary to control the epidemic.
xii
INTRODUCCIÓN
1
I. PLANTEAMIENTO DEL PROBLEMA
2
1.2. Formulación del problema
1.2.1. Problema general
¿De qué forma el modelo matemático epidemiológico SIR nos permite explicar la
dinámica de la COVID-19 en la región Callao?
1.3. Objetivos
1.3.1. Objetivo general
Usar el modelo matemático SIR para mostrar la dinámica del COVID-19 en la
región Callao.
3
1.4. Limitantes de la investigación
1.4.1. Teórica
La enfermedad producida por el COVID-19 es realmente nueva y aún está en
estudio por lo que los conocimientos teóricos aún están en desarrollo, sin
embargo, el trabajo se enfoca al análisis del modelo matemático SIR que ha
servido para estudiar el contagio de enfermedades en epidemiología.
1.4.2. Temporal
En nuestro caso nos limitamos al período comprendido entre marzo del 2020
hasta marzo del 2021 y los datos obtenidos hasta el momento, publicados por el
Ministerio de Salud. Al inicio de la pandemia en el Perú, el Ministerio de Salud
solamente informaba el número de fallecidos diariamente, por lo que no se tiene
un informe del número de infectados en el mes de marzo y abril.
1.4.3. Espacial
La investigación está limitada a los datos correspondientes al Perú y de manera
particular a la región del Callao.
4
II. MARCO TEÓRICO
2.1. Antecedentes
Antecedentes internacionales
5
de compartimentos (S=susceptibles, I=Infectados, E=expuestos, R=recuperados),
escritos como sistemas de ecuaciones diferenciales no lineales; los parámetros
son hallados usando un método de mínimos cuadrados ajustando el modelo de
ecuaciones diferenciales a los datos. Así mismo se presentan resultados con
algoritmos learning machine aplicados a los datos y una extensión del modelo
temporal a un modelo espacio-temporal de autómata celular.
Antecedentes nacionales
6
realizar una caracterización del comportamiento de la pandemia en los tres
primeros meses de su desarrollo, basado en el análisis de tendencias y la
determinación del número de reproducción efectivo (Rt) a partir de métodos
estadístico-matemáticos. Se aplicó una variante el modelo matemático SIR para
pronosticar la posible evolución de la pandemia. Este se ajustó con la estrategia
de optimización Global Search del software MATLAB. Su solución empleó la
función ode23tb de MATLAB, que usa un algoritmo combinado de Runge-Kutta
con otro de regla trapezoidal. Con la aplicación de la estrategia Kaizen como vía
de mejora continua, se propusieron un conjunto de acciones que pudieran
realizarse actualmente y que permitirían enfrentar en mejor situación la
recuperación del sector turístico. El comportamiento del Rt y la simulación
realizada demostraron que las medidas de mitigación establecidas son
insuficientes para reducir sustancialmente el impacto de la pandemia,
pronosticándose que, para finales del año 2020, el número de infectados pudiera
alcanzar la cifra de 840 mil y los fallecidos superarían los 44 mil.
7
utilizó el coeficiente de determinación (R2). Resultados: El error medio del
pronóstico (EMP) fue de 156,7; el error medio al cuadrado (EMC) fue de 506461,3;
la desviación absoluta de la media (DAM) fue 450,6 y el porcentaje de error medio
absoluto (PEMA) fue 9,03 %. El coeficiente de determinación (R2) fue de 0,8078.
E concluye que el error de precisión o porcentaje de error medio absoluto (PEMA)
fue del 9,03 %, con un coeficiente de determinación (R2) de 0,8078; lo que indica
que los datos se ajustan en un 80,78 % al modelo evaluado.
• Susceptibles S(t): individuos sanos que pueden ser contagiados por los
infectados.
9
• Tasa de recuperación 𝛾: nos indica la tasa por unidad de tiempo a la cual los
individuos infectados se recuperan. Es decir, es la ratio entre el número de
recuperados y el número de infectados por unidad de tiempo El periodo medio de
latencia se calcula como la inversa de la tasa de recuperación, L = 1/. Es
importante resaltar, de nuevo, que el valor de la tasa de infección o transmisión
está relacionado, por un lado, con el número de contactos por unidad de tiempo y,
por otro lado, con la probabilidad de contagio. Si bien es cierto que una parte
importante de la tasa de infección depende de si la enfermedad es más o menos
contagiosa, las medidas de prevención como el confinamiento, el distanciamiento
y la adopción de medidas de higiene y protección por parte de la población,
tienden a reducir el valor de la misma. Barroso (2020).
𝑑𝑆 𝛽𝑆𝐼
=−
𝑑𝑡 𝑁
𝑑𝐼 𝛽𝑆𝐼
= − 𝛾𝐼 ; 𝑆(0) = 𝑆0 = 𝑁 − 𝐼0 , 𝐼 (0) = 𝐼0 , 𝑅(0) = 0
𝑑𝑡 𝑁
𝑑𝑅
{ 𝑑𝑡 = 𝛾𝐼
𝑑𝑆 𝑑𝐼 𝑑𝑅
+ + =0⇒𝑆+𝑅+𝑇 = 𝑁
𝑑𝑡 𝑑𝑡 𝑑𝑡
10
promedio, por un solo infectado a lo largo del periodo de duración de la
enfermedad. Se calcula de la siguiente manera
𝛽
𝑅0 =
𝛾
Según la página oficial del ministerio de Salud los coronavirus (CoV) son una
amplia familia de virus que pueden causar diversas afecciones, desde el resfriado
común, hasta infecciones respiratorias graves. La Covid 19 es la enfermedad
causada por el coronavirus que se ha descubierto más recientemente. Tanto este
nuevo virus como la enfermedad que provocan eran desconocidos antes de que
estallara el brote en Wuhan (China) en diciembre de 2019. Actualmente la Covid
19 es una pandemia que afecta a muchos países de todo el mundo. ¿cómo se
transmite? Una persona puede contraer la Covid 19 por contacto con otra que esté
infectada por el virus. Se transmite de persona a persona a través de gotitas que
expulsa una enferma al hablar, toser o estornudar. Las gotitas pueden ser
inhaladas por las personas que están cerca al enfermo y también quedarse en
cualquier tipo de superficie (pasamanos, mesas, lapiceros, entre otros) y ser
tocadas por las manos. El virus ingresa a nuestro organismo cuando nos tocamos
los ojos, la nariz y la boca con las manos sin lavar.
2.3. Conceptual
2.3.1. Modelación con EDO lineales
Los investigadores han resaltado la importancia de los modelos matemáticos en
las diferentes disciplinas. La construcción de modelos matemáticos es una de las
13
herramientas utilizadas hoy en día para el estudio de problemas en medicina,
biología, fisiología, bioquímica, epidemiología, farmacocinética, entre otras áreas
del conocimiento; sus objetivos primordiales son describir, explicar y predecir
fenómenos y procesos en dichas áreas. Sin embargo, su aplicación se ve limitada
con frecuencia por la falta de conocimientos e información acerca de los principios
básicos del modelamiento matemático. La relevancia de la construcción de los
modelos matemáticos para enfermedades infecciosas es evidente:
14
situaciones reales. En esencia, la función central de crear y analizar modelos
matemáticos es mejorar la comprensión de un sistema para prevenir futuras
situaciones de enfermedades, determinar la prevalencia e incidencia y
coadyuvar a tomar decisiones objetivas para controlar o erradicar las
enfermedades. (Montesinos y Hernández, 2007, p.218)
15
En la figura 1 se muestra la secuencia que se debe seguir para formular un
modelo matemático que nos permita representar un fenómeno de la naturaleza, en
nuestro caso de interés, la pandemia producida por el Covid 19.
Figura 1
16
Zill, D. y Cullen, M. (2006) nos muestran un modelo para una enfermedad
contagiosa en una población finita.
𝑑𝑥
= 𝑘𝑥𝑦 (1)
𝑑𝑡
𝑑𝑥
= 𝑘𝑥 (𝑛 + 1 − 𝑥 ), 𝑥 (0) = 1
𝑑𝑡
19
2.4. Definición de términos básicos
Hay una serie de conceptos en epidemiología estrictamente relacionados con las
enfermedades infecciosas. Estos conceptos juegan un papel importante en la
construcción de modelos agregando varias funciones al modelo. Martcheva
(2015).
20
2.4.6. Periodo de incubación.
El periodo de incubación es el periodo entre la exposición a un agente infeccioso y
la aparición de síntomas de la enfermedad. En enfermedades infecciosas, el
periodo de incubación es el tiempo necesario para que el agente infeccioso se
multiplique.
2.4.7. Incidencia.
La incidencia se define como el número de personas que se enferman durante un
intervalo de tiempo especificado (por ejemplo, un año). A veces, la incidencia es el
número de personas que se enferman en un intervalo de tiempo específico
dividido por la población total.
21
III. HIPÓTESIS Y VARIABLES
3.1. Hipótesis
3.1.1. Hipótesis general
El modelo matemático epidemiológico SIR permite mostrar la dinámica del COVID-
19 en la región Callao.
22
Tabla 1
VARIABLE
DIMENSIONES INDICADOR METODO
DEPENDIENTE
la dinámica de la Gráfica de la curva
población de solución para los
Susceptibles Susceptibles
producida por el
COVID-19 en la
región Callao
dinámica de la Gráfica de la curva
Aplicar el
población de solución para los
modelo
Infectados Infectados
epidemiológico
Dinámica de la producida por el
SIR con los
COVID-19 en la COVID-19 en la
datos referidos
región Callao región Callao.
a la Región
dinámica de la Gráfica de la curva
Callao.
población de solución para los
recuperados de Recuperados
la enfermedad
producida por el
COVID-19 en la
región Callao.
23
IV. DISEÑO METODOLÓGICO
24
V. RESULTADOS
25
Se ha hecho una simulación del modelo SIR en EXCEL con una población N de
1000 habitantes, una tasa de contagio 𝛽 = 0.0013 que es un valor aceptado
mundialmente para el COVID 19, una tasa de recuperación 𝛾 = 0.5; Con estos
parámetros se tiene un coeficiente de reproducción (tasa reproductiva) 𝑅0 = 2.5, lo
que significa que una persona infecta aproximadamente entre dos a tres personas.
Figura 3
1200
1000
800
600 DIAS
SUCEPTIBLES
400
INFECTADOS
RECUPERADOS
200
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
26
5.1.2. Dinámica de la COVID 19 cuando aumenta la tasa de infección
Tabla 3
Dinámica del COVID 19 con el Modelo SIR en EXCEL mayor tasa de infección
27
Si aumenta la tasa de infección, el número máximo de infectados se alcanza el día
10 teniéndose 459 infectados; es decir, el 45.9%, lo que representa casi la mitad
de la población, esto genera un colapso en el sistema de salud, por lo que se hace
necesario tomar medidas gubernamentales para frenar el número de infectados,
es decir reducir la tasa de infección.
Figura 4
1200
1000
800
DIAS
600
SUCEPTIBLES
400 INFECTADOS
200
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
28
Tabla 4
Dinámica del modelo SIR con 𝛽 = 0.001, 𝑅0 = 1.814 a partir del día 8. Fuente:
Elaboración propia usando el software Excel.
29
Figura 5
SUCEPTIBLES
1200
INFECTADOS
1000
RECUPERADOS
800
600
400
200
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Condiciones iniciales
Población: 𝑁 = 1000
30
Infectados al inicio: 𝐼𝑖 = 1
Recuperados al inicio: 𝑅𝑖 = 0
Deslizadores
𝑆′(𝑡, 𝑆, 𝐼, 𝑅) = −𝑎 ∗ 𝑆 ∗ 𝐼/𝑁
𝐼
𝐼 ′(𝑡, 𝑆, 𝐼, 𝑅 ) = 𝑎 ∗ 𝑆 ∗ −𝑏∗𝐼
𝑁
𝑅′(𝑡, 𝑆, 𝐼, 𝑅) = 𝑏 ∗ 𝐼
Con 𝑎 = 1.8, 𝑏 = 0.5 se tiene un 𝑅0 = 3.6 lo cual indica que una persona infectada
contagia entre 3 y 4 personas aproximadamente lo cual describe una situación
crítica de la pandemia.
31
Figura 6
32
Figura 7
33
Figura 8
34
Figura 9
3000
2500
2000
Infectados
1500
1000
500
A) Primera Ola. La primera ola se manifiesta en los meses de marzo 2020 hasta
junio del 2020, donde el pico de infectados se alcanza el 27 de mayo del 2020
con 509 infectados reportados oficialmente.
B) Segunda Ola. La segunda ola se manifiesta en los meses de julio 2020 hasta
octubre del 2020, donde el pico de infectados se alcanza el 12 de agosto del
2020 con 419 infectados reportados oficialmente.
C) Tercera Ola. La tercera ola se manifiesta en los meses de enero 2021 hasta
junio del 2021, donde el pico de infectados se alcanza el 03 de abril del 2021
con 2805 infectados reportados oficialmente.
35
Figura 10
1200000
SUCEPTIBLES
1000000
INFECTADOS
RECUPERADOS
800000
Población
600000
400000
200000
0
15/03/2020 15/04/2020 15/05/2020 15/06/2020
Marzo, abril, mayo, junio 2020
Figura 11
45000
40000
35000
30000
Infectados
25000
20000
15000
10000
5000
0
15/03/2020 15/04/2020 15/05/2020 15/06/2020
Marzo, abril mayo, junio 2020
1200000
1000000
SUCEPTIBLES
800000 INFECTADOS
RECUPERADOS
Población
600000
400000
200000
0
01/07/2020 01/08/2020 01/09/2020 01/10/2020 01/11/2020
Julio. agosto, setiembre, octubre 2020
Figura 13
60000
50000
40000
Infectados
30000
20000
10000
0
01/07/2020 01/08/2020 01/09/2020 01/10/2020 01/11/2020
Julio, Agosto, setiembre, octubre 2020
37
Figura 14
1200000 SUCEPTIBLES
INFECTADOS
1000000 RECUPERADOS
800000
Población
600000
400000
200000
0
01/01/2021 01/02/2021 01/03/2021 01/04/2021 01/05/2021
Enero, febrero, marzo, abril, mayo 2021
Figura 15
35000
30000
25000
Infectados
20000
15000
10000
5000
0
01/01/2021 01/02/2021 01/03/2021 01/04/2021 01/05/2021
Enero, febrero, marzo,abril, mayo 2021
Figura 16
Reporte de fallecidos por día periodo marzo 2020 hasta abril 2021
70
60
50
Fallecidos
40
30
20
10
25000
20000
15000
Infectados
10000
5000
40
VI. DISCUSIÓN DE RESULTADOS
41
Figura 18
42
CONCLUSIONES
43
RECOMENDACIONES
44
REFERENCIAS BIBLIOGRÁFICAS
http://www.scielo.org.co/pdf/rsap/v22n1/0124-0064-rsap-22-01-e185977.pdf
45
Martín, B. (2020) Una breve introducción al modelo SIR aplicado al caso del
Covid-19. [ ICEI Papers COVID-19; Nro. 12) Universidad Complutense,
Madrid.
https://www.medigraphic.com/pdfs/forense/mmf-2020/mmf203c.pdf
Taramona, L. y otros (2020) Modelación matemática para mitigar los efectos del
COVID-19 en el sector turismo del Perú.
46
MATRIZ DE CONSISTENCIA
Modelo matemático epidemiológico SIR para la dinámica de transmisión de la COVID-19 en la región Callao
Formulación del problema Objetivo general Hipótesis Variables e indicadores Metodología
¿De qué forma el modelo Usar el modelo matemático El modelo matemático SIR permite Variable Independiente: Tipo de
matemático epidemiológico SIR epidemiológico SIR para mostrar mostrar la dinámica de la COVID- Modelo matemático investigación: Se
nos permite explicar la dinámica de la dinámica de la COVID-19 en la 19 en la región Callao. epidemiológico SIR trata de una
la COVID-19 en la región Callao? región Callao. investigación
básica descriptiva
Problemas específicos Objetivos específicos Hipótesis específicas que tiene un
Variable dependiente: enfoque
1) ¿De qué forma el modelo 1) Usar el modelo matemático 1) El modelo matemático cuantitativo.
matemático epidemiológico SIR epidemiológico SIR para epidemiológico SIR permite Dinámica de propagación
nos permite mostrar la dinámica mostrar la dinámica de la mostrar la dinámica de la de COVID -19 en la región Aplicar el modelo
de Susceptibles producida por la población de Susceptibles población de Susceptibles Callao. SIR con los datos
COVID-19 en la región Callao? producida por la COVID-19 en producida por el COVID-19 en la • Dinámica de población referidos a la
2) ¿De qué forma el modelo la región Callao. región Callao. de Susceptibles. Región Callao.
matemático epidemiológico SIR 2) Usar el modelo matemático 2) El modelo matemático • Dinámica de población
nos permite mostrar la dinámica epidemiológico SIR para epidemiológico SIR permite de Infectados. Población:
de Infectados producida por la mostrar la dinámica de la mostrar la dinámica de la • Dinámica de población
COVID-19 en la región Callao? población de Infectados población de Infectados de Recuperados Perú
3) ¿De qué forma el modelo producida por la COVID-19 en producida por la COVID-19 en la
matemático epidemiológico SIR la región Callao. región Callao.
Muestra:
nos permite mostrar la dinámica 3) Usar el modelo matemático 3) El modelo matemático
de Recuperados de la epidemiológico SIR para epidemiológico SIR permite
enfermedad producida por la mostrar la dinámica de la mostrar la dinámica de la Región Callao
COVID-19 en la región Callao? población de Recuperados de la población de Recuperados de la
enfermedad producida por la enfermedad producida por la
COVID-19 en la región Callao. COVID-19 en la región Callao.
47
Fuente de datos
48
Defunciones y tasa de letalidad por COVID-19, Perú 2020-2021 (SE)
49
50